Kuken Industries ищет чертёж запчасти за 4,5 минуты вместо часа через OpenAI API

Знакомая история для любой компании старше десяти лет: знания есть, но лежат в архиве, а найти нужное может только тот, кто сидит здесь двадцать лет. Японская Kuken Industries, один из крупнейших производителей градирен в стране, решила эту проблему с помощью OpenAI API. Это история клиента, которую опубликовала сама OpenAI, поэтому цифры стоит читать с поправкой на источник. Но сам сценарий очень приземлённый и применим далеко за пределами промышленности.

В чём была боль

Градирни отводят тепло от циркулирующей воды: они охлаждают торговые центры, заводы и оборудование в дата-центрах. Когда в такой установке нужно заменить деталь, современная запчасть не всегда подходит к старой конструкции. Без исходного чертежа инженеру иногда приходится проектировать и изготавливать замену с нуля.

Проблема в том, что за 70 лет Kuken подстраивала оборудование под конкретных заказчиков. Спецификации зависят от клиента и даты монтажа, а поиск по модели или названию детали выдаёт сразу несколько чертежей. Раньше, когда архив был бумажным, поиск занимал полдня. После оцифровки легче не стало: нужно было знать, какое название или номер вводить и где лежит файл. Новички шли за подсказкой к опытным коллегам, а те отрывались от собственной работы.

Как устроено решение

Kuken работала с Recursive, японским ИИ-стартапом и официальным партнёром OpenAI. Вместе они сделали поисковую систему и мобильное приложение для инженеров на объектах. Опирались на реальный архив и на пожелания самих инженеров.

Перед выбором модели команда прогнала несколько вариантов на разных чертежах и сравнила, насколько точно каждая вытаскивает детали и сколько это стоит. Модели OpenAI показали хороший результат по обоим критериям. Какие именно модели и с кем их сравнивали, в материале не уточняется.

В приложении можно ввести номер чертежа или детали либо загрузить картинку или PDF с чертежом или списком запчастей. Скриншот списка избавляет от ручного ввода каждого номера: приложение считывает номера и возвращает возможные совпадения, включая чертежи похожих конструкций. Окончательный выбор остаётся за человеком, который сверяет спецификации башни и записи о прошлых заменах. ИИ здесь сужает круг поиска, а решение не принимает.

Что получилось и где оговорки

По данным Kuken, нужный чертёж теперь находится за 4,5 минуты, раньше уходило почти час. Компания ожидает, что за год время на поиск сократится примерно на 90%. Это именно прогноз, а не подтверждённый годовой итог. Дополнительно инженеры смотрят чертежи прямо в приложении, так что расходы на печать падают. Опытные сотрудники часть освободившегося времени тратят на наставничество, а новички берутся за более широкий круг задач самостоятельно.

Следующий шаг: инструмент для проверки чертежей, которые готовят партнёры. Сейчас инженеры сверяют их со спецификациями на глаз и ищут несовпадающие детали или количества. Прототип должен подсвечивать такие расхождения. По словам Kuken, около 90% найденных им проблем оказались реальными расхождениями. В производстве инструмент пока не работает, так что это результат тестов.

Что из этого взять себе

Во-первых, ценность часто не в «умном чате», а в скучном поиске по накопленным документам, где важны и текст, и изображение. Если у вас есть архив сканов, PDF или скриншотов, самый короткий путь к пользе может быть именно здесь.

Во-вторых, выбирайте модель на собственных документах. Kuken сравнивала варианты по точности извлечения данных и по цене на реальных чертежах, а не по публичным бенчмаркам. Для документов со сложной разметкой это единственный честный способ.

В-третьих, проектируйте вход под реальные привычки пользователей. Возможность вставить скриншот списка деталей выглядит мелочью, но именно она убирает рутину ручного ввода.

Наконец, оставляйте проверку человеку. Система возвращает кандидатов, включая похожие, а инженер подтверждает совпадение по спецификациям. В задачах, где цена ошибки равна браку детали, такая схема разумнее полной автоматизации.

Ограничения тоже очевидны. Это маркетинговый кейс вендора, метрики приведены со слов компании, а про архитектуру, объём данных и долю неудачных поисков ничего не сказано. Тем не менее как образец применения мультимодальных моделей в индустрии со старыми архивами материал полезен.